中美智能效率的差異及其來源的測量研究

吳淑娟　吳海民

摘 要：為了解答中美智能效率差距如何的疑問，采用中美兩國的智能上市公司數據，先后運用DEA-Malmquist指數分析法和回歸分析法測量兩國智能效率和來源及其與影響因素的關系。研究發現：在考察期內兩國的智能效率均得到改善;我國智能效率均值高于美國，兩國的智能效率輪番升跌;我國智能效率主要來源于其規模效率，而美國智能效率則主要來源于其純技術效率;兩國企業的盈利質量、資本結構和經營能力對其智能效率的影響相近;稅收負擔、盈利能力和融資能力的作用卻迥異。

關 鍵 詞：中國;美國;智能產業;智能效率;影響因素

DOI：10.16315/j.stm.2019.04.017

中圖分類號： F 061.3

文獻標志碼： A

Research on the gap of intelligence efficiency and their sources between China and the United States：based on listed companies data

WU Shu-juan， WU Hai-min

（Economy and Management College，Wuyi University， Jiangmen 529020， China）

Abstract：To answer the question about the gap of intelligence efficiency between China and US， by using the data of intelligent listed companies in China and US， DEA-Malmquist analysis method and multiple regression analysis method are adopted to evaluate the intelligence efficiency， its sources and influencing factors of the two countries respectively. It is found that， the intelligence efficiency in both countries are improved， the average value of the Chinese intelligence efficiency is higher than the US one; and the intelligence efficiency of the two countries has risen and fallen in turn; the intelligence efficiency of China mainly comes from scale efficiency， while the American one mainly comes from pure technological efficiency; corporate profit quality， capital structure and operational capacity have similar impact on the intelligence efficiency of China and US repectively， while the impact of tax burden， profitability and financing capacity is different to intelligence efficiency in the two countries.

Keywords：China; US; intelligent industry; intelligent efficiency; influencing factors

收稿日期： 2019-04-25

基金項目： 國家留學基金地方合作項目（201808440650）;教育部人文社會科學研究一般項目（19YJA790091）;廣東省普通高校特色創新類項目（2016WTSCX114）。

作者簡介： 吳淑娟（1977—），女，副教授，碩士;

吳海民（1976—），男，教授，博士.

美國對人工智能的基礎性研究始于20世紀60年代。經過50多年的發展，美國智能產業在全球占領先地位。近年來，美國在國家戰略層面重點布局計算機軟硬件、金融、軍事和能源等領域，大力扶持技術研發機構和各類實驗室，為智能產業的發展提供政策、法律、資金、人才等多方面的保障，從而確保其地位。

長期以來，我國大量借鑒美國經驗，在制訂和推進戰略規劃、構建研發促進機制等方面常對標美國。這引發了人們對中美智能經濟的差距如何的討論。也出現了相關的成果。定性研究方面，中美兩國的比較研究鮮見。國內的許亞倩[1]對中美人工智能產業進行比較全面的定性比較分析;顧暉[2]采用DEA方法比較了中美科技投入與產出效率。國內多數學者并未全盤否定我國的智能產業，而是認為我國的智能產業有一定的優勢。國外成果則重點圍繞中美兩國智能產業的核心地帶——硅谷進行研究。例如Steiber等[3]和菲利普·施塔布[4]研究我國應如何挑戰美國硅谷。他們認為我國具有強大的創新能力，其智能產業得到快速的發展;中美兩國硅谷的管理模式同中有異，我國智能產業仍與美國有一定的差距。

智能產業效率的定量研究方面，鑒于智能產業發展應該注重效率[5]，產業效率又是產業運行績效的重要評價指標，近年的相關研究日益增多。國內以子行業的效率研究為主，重視智能企業的技術效率的測量和相關影響因素的實證研究。人工智能行業是熱點之一。侯志杰等[6]測度我國人工智能企業技術效率，實證了稅收負擔、獲利能力、政府補貼、資本結構、運營能力和企業規模等因素對技術效率的影響。物聯網行業是另一個熱點。周方召等[7]測量了我國物聯網上市企業的生產效率，檢驗了政府財稅補貼、風險投資參與等企業外界因素對企業生產效率的影響。王明哲等[8]在測算物聯網公司的技術效率、純技術效率和規模效率等的基礎上，分析企業內部的財務指標對這些效率的影響的顯著性。此外，還有針對我國生態農業上市企業[9]、互聯網企業[10]、智能電網效率評估方法[11]、大數據產業技術效率及其影響因素[12]、文化傳媒類上市公司科技創新效指數率[13]、創業環境對新創企業績效的影響等方面的研究[14]、高科技園區綜合發展要素及其作用的實證分析等[15]。國外注重資源效率的研究，尤其是注重如何提升能源效率。研究對象涵蓋了智能建筑[16-17]、智能電網[18]、智能交通[19]、智能家居[20]、智能生產等[21]諸多領域。

綜上所述，現有研究大多采用定性分析方法探討中美智能產業的距離。但單純的定性研究很難從本質上全面判斷中美智能經濟的差距。而定量研究多是研究智能產業或其子行業的技術進步變化、技術效率和能源效率，未能體現智能產業外部性正產出，難以說明我國與智能先行國家的效率距離如何。如此，其對策建議的針對性難免遭受質疑。因此，本文綜合采用比較分析法和DEA-Malmquist模型等方法測量中美兩國的智能效率，探討中美智能效率的來源和影響因素，并提出優化我國智能效率的政策啟示，以期能有利于我國智能經濟建設和智能創新驅動戰略的深化實施。

文中的智能效率是指在智能生產活動中，生產要素的投入對包括知識產出、智慧產出和創意產出等知識性產出的總產出的比值。該效率把具有正外部性的知識產出、智慧產出和創意產出等納入到產出指標當中，反映在同樣的人力和資本投入條件下的傳統總產值和智能產出的情況。而該具有正外部性的智能產出正是智能產業優于傳統產業之處，忽略之必將導致測量結果被低估。

1 中美智能效率的測量與對比

1.1 智能效率的測量

1）測量方法和實證過程。效率的測量方法有參數方法、半參數方法和非參數方法。因為兩國智能上市企業覆蓋的智能子行業多，且子行業差異較大，所以不宜采用參數方法和半參數方法。非參數方法中的DEA-Malmquist被廣泛運用于各行業生產效率的測算[22]。該法無需有關投入和產出的價格信息和行為假設，減少了條件限制，適用性頗強，因而為本文所用。該法已經頗為流行，不再贅述。

關于實證過程，本文首先運用DEAP 2.0軟件對數據進行運算，測量出中美兩國智能企業的全要素生產率（TFP）指數值及其分解效率值，以TFP作為智能效率指標;然后對Malmquist函數模型取對數，得到TFP指數及其分解效率指數的關系模型。運用回歸分析法采用前述結果數據進行回歸分析測量TFP指數和其分解效率指數之間的關系，從而判斷TFP指數的來源;再采用合適的影響因素為自變量，以TFP為因變量，采用回歸分析方法實證TFP指數與影響因素間的關系;最后采用比較分析法探討中美兩國智能效率及其來源和影響因素的差異。

2）評價指標體系的構建。評價指標體系的構建需要考慮兩國上市公司年報的會計項目差異，還要包括通常的投入產出指標和智能產出指標，使測量結果能反映兩國的智能效率。采用的投入變量是資金投入（RADI），采用上市公司的研發投入金額代表。研發投入金額是智能企業的重要投入指標之一，其規模在一定程度上可以表明企業的技術水平。產出變量有產值產出（Y）和知識產出（ITA），分別用上市公司的主營業務收益額和無形資產額代表。無形資產是指企業擁有或者控制的沒有實物形態的可辨認的非貨幣性資產，其內容包括專利權、非專利技術、管理軟件、商標權、專有技術等，基本上能體現企業的智能產出。

3）數據。數據來自我國的深圳證券交易所和上海證券交易所，美國的納斯達克交易所、紐約交易所和美國交易所的上市公司年報。考慮到我國智能企業上市時間尚短，因而以2012—2017年為考察期。剔除數據缺失的樣本，又剔除B股和H股的樣本，得我國82家和美國66家智能上市企業的數據樣本。樣本覆蓋了無人機、智能電網、3D打印、北斗導航、智能機器、智能家居、智能穿戴、大數據、物聯網、移動支付、智慧城市、半導體零部件、智慧醫療等子行業，共計888條。數據描述，如表1所示。

1.2 結果的對比

通過對數據進行無量綱化，運用DEAP2.0軟件進行測量，再按年份對結果取均值，得到中美智能上市公司的DEA-Malmquist指數值的年均值，如表2所示。由表2可知：我國的智能效率在觀察期間內升降交替。因為DEA-Malmquist指數為t與t+1期間的相對效率變化，2013年的智能效率值最低，因而2014年的智能效率值最高;美國的智能效率值相對比較平穩，除了2017年，其他年份均保持在較高的水平;兩國的智能效率均得到改善，呈現出此消彼長的變化態勢。除2013年和2015年外，我國的智能效率高于美國。整體而言，我國的智能效率均值高于美國，表明我國近年智能效率改善優于美國。這很可能與我國智能產業處于發展階段有關，產業整體尚未穩定，容易受到各種因素的影響而波動。而美國智能產業已經相對比較穩定，其智能效率因而也更為穩定。

2 效率來源的對比

2.1 模型構建、數據來源和檢驗

為了判斷中美智能效率的來源，對Malmquist函數的模型取對數，得：

TFP=C0+C1ln TECHCH+C2ln PECH+C3ln SECH。（1）

其中：TFP為智能效率，亦即Malmquist指數，TECHCH為技術進步指數，PECH為純技術效率變化指數;SECH為規模效率變化指數;C0為常數項，C1、C2、C3分別為相應變量的系數。

數據來源于前述智能效率的DEA-Malmquist實證分析。檢驗結果表明變量通過單位根檢驗，也存在協整關系，運用Eviews6.0進行固定效應回歸分析。

2.2 結果的對比

中美兩國智能效率與TECHCH、PECH和SECH的固定效應回歸分析結果，如表3所示。結果顯示：中美智能效率的來源比較相似，TECHCH、PECH和SECH的系數均十分相近。在微小的區別中，可以發現美國智能效率最大來源是純技術效率變化指數，其次是技術進步指數，最后是規模效率變化指數。而我國智能效率的最大來源是規模效率變化指數，其次是純技術效率變化指數，最后是技術進步指數。這表明我國智能產業規模擴張對智能效率提升有著重要的作用，智能產業尚處于產業規模擴張的階段。而美國的智能產業已經具備一定的規模，“質的提升”對產業發展有重要的促進作用。

3 影響因素的實證分析

借助2013—2017年中美智能效率值和上市公司年報中的影響因素數據，運用Stata 12.0軟件，分別采用多元線性回歸方法實證各因素對兩國智能TFP、TECHCH、PECH、SECH的影響程度。

3.1 影響因素的選擇

智能效率受諸多因素影響，包括宏觀的國家政策因素，中觀的行業因素和微觀的企業經營管理因素等。本文參考文獻6，兼顧兩國上市公司數據的可獲得性和研究的可行性，選取以下因素：收益質量（INQ）用企業經營活動凈收益與利潤總額的比值表示;稅收負擔（TB）用企業應交稅費與營業收入比值表示;獲利能力（INA）用企業總資產報酬率表示;資本結構（CST）用企業非流動與總資產的比值表示;營運能力（BA）用企業總資產周轉率表示;企業規模（BS）用企業總資產的對數表示;企業融資能力（FA）用企業籌資活動產生的現金流量凈額表示。

3.2 實證過程和結果

選取2013—2017年間上述中美智能企業的年報數據。為確保測量結果的有效性，分別使用LLC、IPS、ADF-Fisher、PP-Fisher和Breitung 5種方法進行檢驗，綜合檢驗結果中的P值進行判斷，所有變量均不支持含有單位根的原假設，符合平穩的計量要求。

協整檢驗結果表明，TFP分別與各個因素的Panel rho-Statistic、Panel PP-Statistic、Panel ADF-Statistic、Group PP-Statistic和Group ADF-Statistic檢驗結果均通過檢驗，表明變量之間存在協整關系。

3.3 實證結果及分析

1）實證結果。中美智能效率的影響因素的實證結果，如表4所示。由表4可知：

美國的智能效率與其經營能力、收益質量和籌資能力正相關;與資本投資結構、企業盈利能力和稅收負擔負相關;我國的智能效率與其收益質量、稅收負擔、盈利能力和經營能力正相關，其中經營能力、稅收負擔和收益質量的系數較大;與資本結構和融資能力負相關。

技術進步指數的影響因素方面，美國的技術進步指數與其稅收負擔、經營能力和融資能力正相關，與收益質量、盈利能力、資本結構負相關。我國的技術進步指數與其收益質量、稅收負擔、盈利能力和融資能力正相關，與資本結構和經營能力負相關。其中盈利質量和稅收負擔的正相關系數較大，資本結構的負相關系數較大。

純技術效率變化指數的影響因素方面，美國的純技術效率變化指數與其收益質量、獲利能力、經營能力和融資能力正相關，與其稅收負擔和資本結構負相關。其中經營能力的正相關系數較大。我國企業的純技術效率變化指數與其收益質量、稅收負擔、資本結構和經營能力正相關，與其盈利能力和融資能力負相關，其中盈利能力的負相關系數較大。

規模效率變化指數的影響因素方面，美國的規模效率變化指數與其稅收負擔、盈利能力正相關，與其收益質量、資本結構、經營能力和融資能力負相關，其中資本結構的負相關系數較大。我國的規模效率變化指數與資本結構正相關，與其收益質量、稅收負擔、盈利能力、經營能力和融資能力負相關。其中收益質量和資本結構的正相關系數較大。

2）結果分析 。綜上所述，各因素對中美各效率或效率變化指數的影響異同并存。各影響因素對我國智能效率的影響具體如下：

盈利質量對我國智能效率的正效應主要源于對其純技術效率和技術進步的正效應。這與路妍等[23]針對商業銀行的研究發現一致。我國智能企業的盈利質量對其智能效率的正效應高于對美國智能效率的正效應，這可能與中美智能經濟發展的階段有關。美國的智能經濟較發達。隨著要素投入的積累和產業規模的擴張，規模效率對美國智能效率的邊際效應遞減。相對美國，我國的智能企業正處于規模擴張期，提升收益質量有利于我國智能企業追加研發投入，形成更大的規模效率，從而對智能效率帶來更強的正效應。

稅收負擔對我國智能效率的正效應主要源于對其純技術效率變化和技術進步的正效應。它對美國智能效率的負效應主要源于對其純技術效率變化的負效應。通常，為保證企業資金的有效運轉和持續盈利，實現企業技術創新能力的提高，企業需要低利息和低稅收來維持低成本[24]。文中稅收負擔對我國智能效率的正效應似乎有違常理。侯志杰等的研究也發現稅收負擔對人工智能企業技術效率起到了明顯的抑制作用。這可能是因為考察期間、數據和研究的效率指標的差異而致。而中美兩國智能效率的系數差異很可能是因為稅收負擔與智能效率之間存在倒U型關系。朱玉飛等[25]的研究正好印證了此觀點。他們利用固定效應模型和門檻模型發現企業實際稅負與TFP之間存在明顯的倒U型關系，即當企業實際稅負處于較低水平時，TFP隨實際稅負增加而逐漸提高，而當實際稅負超過某一水平時，TFP隨之降低。中美的綜合稅負水平孰高這一問題學界爭議較大。根據經合組織統計，在2011—2015年間，美國綜合稅負從23.9%上升到26.4%。而據我國國稅總局數據，2016年中國綜合稅負29%，2017年下降0.07%。因此兩國的綜合稅負水平比較靠近。但是我國政策場景和落地更好[26]，中央和地方政策對智能產業的稅收優惠陸續出臺。我國智能企業的實際稅負很可能低于美國。

盈利能力對我國的正效應非常強，這主要是源于對其技術進步指數的正效應。它對美國智能效率的負效應主要源于對其技術進步指數的負效應。于海龍等[27]針對乳業的研究也有類似的發現。至于盈利能力對美國智能效率有負效應卻對我國的智能效率有正效應的原因可能是盈利能力與智能效率存在倒U型關系，即當企業盈利能力處于較低水平時，TFP隨著盈利能力增加而逐漸提高，而當盈利能力超過某一水平時，TFP則隨之降低。

資本結構對我國智能效率的負效應主要源于對其技術進步指數的負效應。它對美國智能效率有負效應，且其負效應更大，這主要源于對其技術進步、規模效率變化和純技術效率變化的負效應。羅寅等[28]對房地產公司的研究已經表明企業的資產結構與其效率有著莫大的關系。資本結構與中美兩國的智能效率的負相關關系說明中美兩國的智能企業的非流動資產比重過大，不利于中美兩國的智能效率的提升。

經營能力對我國智能效率的正效應主要源于對其純技術效率變化的正效應。它對美國的正效應主要源于其對純技術效率變化和技術進步的正效應。它對我國的效應較美國的大。此發現與TFP指數往往是反映企業盈利能力和發展能力的一個重要指標[29]的觀點相吻合。

籌資能力對我國智能效率的負效應主要源于對其純技術效率變化和規模效率的負效應。它對美國的正效應主要源于其對純技術效率變化和技術進步的正效應。理論上，企業融資能力及其資本配置離不開金融業的發展;金融資產配置的優化有助于提升經濟發展效率。籌資能力對我國智能效率的負效應很可能與當前我國智能企業的籌資環境有關。當前我國的資本市場欠完善，外部融資成本大于內部融資成本，企業投資受到約束，存在融資約束問題[30]。我國智能企業的融資方式不利于智能技術效率的改進和規模效率的提升也很可能是另一個重要的原因。而美國的融資渠道相對更為完善，對智能產業的資金支持更充足，從而有利于提升企業的融資能力。

4 結論與對策啟示

4.1 結論

針對當前智能經濟迅猛發展，逐漸成為我國經濟發展的新動力的現實背景，本文采用中美智能上市公司數據，運用DEA-Malmquist分析方法測量了中美兩國的智能效率，運用回歸分析法檢驗了兩國的智能效率的來源及其影響因素，得以下結論：在考察期內，中美兩國的智能效率均得到改善;我國智能效率值相對更高但更不穩定，與美國的智能效率值輪番升跌。我國智能效率主要來源于規模效率變化，而美國智能效率主要來源于純技術效率變化。企業盈利質量和經營能力對中美的智能效率均有促進作用，資本結構抑制中美的智能效率。稅收負擔、盈利能力和融資能力對兩國智能效率的效應不同。稅收負擔和盈利能力抑制我國的智能效率，卻促進美國的智能效率。融資能力促進我國的智能效率，卻抑制美國的智能效率。

4.2 對策啟示

基于上述研究，我國發展智能經濟，應該進一步優化智能產業的規模效率，發揮規模效率對智能效率的促進作用;優化純技術效率，逐漸實現智能產業“質的提升”;注重改善負面因素的影響。今后應該重點做好以下幾點工作：

提升規模效率，優化企業的籌資能力，加大產業規模。國家已經規劃加大智能產業規模，提出到2020年我國人工智能核心產業規模要達到1 500億元。但是，我國智能企業的融資能力約束了規模效率的提升。加上產業智能化進程中，“大型企業唱戲，中小型企業圍觀”的局面難以打破，中小企業不具有大型企業的實力，較難通過自行研發或是引進國外先進生產線，快速實現規模擴張的能力較弱。中小型新生智能企業數量較多，因而要注重中小企業融資方式的創新。這可以參考美國硅谷的融資模式和方式，完善創新融資法律制度，放寬融資方式，放寬民營資本準入限制。目前，國家已發布《十六部門關于印發發揮民間投資作用推進實施制造強國戰略指導意見的通知》。今后在完善相應的實施方案的基礎上，促進政策落地，改善智能產業的資本集中度過高的問題。拓寬中小型智能企業的融資渠道，支持中小智能企業利用PE、VC和政府的科技創新基金等風險投資基金;鼓勵商業銀行創新產品和服務模式，為智能企業提供更為靈活的融資支持;支持具備條件的中小型智能企業上市，有效利用金融市場資金。還要加強科技金融服務，為中小型智能企業開拓融資渠道。推動政府股權基金投向種子期、初創期智能企業，允許智能企業回購政府投資基金所持股權。鼓勵科技研發保險，包括開發專利執行險、專利被侵權損失險等保險產品，從而降低創新主體的被侵權損失。

提升純技術效率，利用包括稅收政策在內的宏觀政策促進智能企業加強科研管理，加強產業層面的市場調研，輔助智能企業優化盈利質量。2018年，國家發布提高企業研究開發費用稅前加計扣除比例的政策，進一步激勵企業加大研發投入，支持科技創新。這將更加精準為企業科技創新進行減稅，進一步激勵企業加大研發投入。今后要在檢驗稅收政策的有效性的基礎上，進一步完善和加強稅收優惠政策，使稅收優惠政策能真正起到鼓勵技術研發、技術轉移和激發市場活力的作用。另一方面，加強對技術研發的市場需求側的調研，實現智能技術市場的供需對接，加快智能技術研發與生產和服務的結合，促進產品創新，滿足求異求新消費者的需求，從而改善企業的盈利質量。

鑒于資本結構對智能效率有較強的負效應，今后應該助力企業調整資本結構，優化其技術進步指數。企業的流動資產與非流動資產的比例、債務占資產比例在很大程度上影響著企業的效益。調整企業的資本結構，主要包括3個方面的工作：一是通過改善融資方式和渠道，增加融資投資，減少債務占比，這是當前比較穩妥的方式，能保障智能企業所有權的穩定性;二是要注重對企業技術創新的影響。鑒于帶有銷售管理色彩的企業研發管理方式、境外研發資金以及行業外資對技術創新效率提升的作用，今后可以以銷售管理色彩的研發管理方式，積極引入境外研發資金和行業外資。三是加強公共研發機構和實驗室等公共研發平臺的建設和完善工作，通過公共研發平臺研究具有共性的基礎技術，減輕企業研發所需的固定資產投入，加強企業資本的流動性。

本文研究不足之處：上市公司財務數據在反映政府行為時有一定的局限性，因此局限于企業內部影響因素的分析，而未能全面考察企業內外部因素的影響。中美智能經濟統計數據的日益豐富能有助于進一步深入和全面的探討;美國有相當數量的智能企業并未上市，本文的研究對象僅限于中美兩國的上市公司，其研究結果不能全面代表中美兩國智能產業。但是在中美兩國智能經濟統計不足的情況下，以上市公司為研究對象是現有條件下的次優選擇。

參考文獻：

[1] 許亞倩. 中美人工智能差距何在[J].中國經濟報告， 2017（11）：123.

[2] 顧暉.中美科技投入與產出效率的比較研究[D].上海：東華大學，2016：1.

[3] STEIBER，ANNIKA.China versus silicon valley： comparison and implications[M].Cham：Springer，2018：93.

[4] 菲利普·施塔布.中國如何挑戰硅谷[J].國外社會科學，2018（2）：155.

[5] 陳立樞.智慧產業發展與中國產業轉型升級研究[J].改革與戰略，2016（10）：72.

[6] 侯志杰，朱承亮.中國人工智能企業技術效率及其影響因素研究[J].工業技術經濟，2018，296（6）：31.

[7] 周方召，仲深，王雷.財稅補貼、風險投資與高新技術企業的生產效率：來自中國物聯網板塊上市公司的經驗證據[J].軟科學，2013，27（3）：100.

[8] 王明哲，冉倫，張增博.基于DEA-Malmquist和Tobit Regression的物聯網上市公司效率評價[J].數學的實踐與認識，2017，47（11）：74.

[9] 李憲印，劉忠花，于婷.中國生態農業上市公司技術效率測度及政策研究：基于面板數據的實證分析[J].中國軟科學，2016（7）：162.

[10] 陳濤，黨興華，賈竇潔，等.互聯網企業負債融資對技術效率的動態耦合效應[J].科研管理，2016，37（12）：132.

[11] 韓冬，嚴正，李磊.基于隨機前沿模型的智能電網效率評估方法[J].電網技術，2015，39（7）：1963.

[12] 韓先鋒，惠寧.中國大數據產業技術效率及其影響因素分析[J].科技管理研究，2016，36（14）：107.

[13] 李葳，李丹.文化傳媒類上市公司科技創新效率研究[J].科技與管理，2012，14（6）：97.

[14] 杜海東，李業明.創業環境對新創企業績效的影響：基于資源中介作用的深圳硅谷創業園實證研究[J].中國科技論壇，2012（9）：77.

[15] 湯匯浩.高科技園區綜合發展要素及其作用實證分析：以張江高科技園區與美國硅谷的比較研究為例[J].中國科技論壇，2011（6）：87.

[16] DE PAOLA A，ORTOLANI M，LO RE G，et al.Intelligent management systems for energy efficiency in buildings：a survey[J].ACM Computing Surveys（CSUR），2014，47（1）：13.

[17] PAN J，JAIN R，PAUL S.A survey of energy efficiency in buildings and microgrids using networking technologies[J].IEEE Communications Surveys & Tutorials，2014，16（3）：1709.

[18] XIE W，PAN B，LI Y，et al.A new energy efficiency management and control strategy of grid-friendly-based intelligent electricity[C]//International Conference on Power System.IEEE，2014.

[19] VOVK Y.Resource-efficient intelligent transportation systems as a basis for sustainable development overview of initiatives and strategies[J].Journal of Sustainable Development of Transport and Logistics，2016，1（1）：6.

[20] LI W，LOGENTHIRAN T，WOO W L.Intelligent multi-agent system for smart home energy management[C]//Innovative Smart Grid Technologies-Asia.IEEE，2015.

[21] HOLUBEK R，RUZAROVSKY R.The methods for increasing of the efficiency in the intelligent assembly cell[J].Applied Mechanics and Materials.2014，470：729.

[22] 夏恩君，魏星，周亮錦.基于DEA-Malmquist指數的中國鐵路運輸業全要素生產率研究[J].科技與管理，2017，19（4）：69.

[23] 路妍，李剛.后危機時代中國商業銀行全要素生產率研究：基于DEA模型的Malmquist指數分析[J].山西大學學報（哲學社會科學版），2018，41（5）：94.

[24] 陳文靜.企業稅負影響技術創新的機理與實證研究[D].蚌埠：安徽財經大學，2017：1.

[25] 朱玉飛，安磊.企業實際稅負與全要素生產率：一個倒U型關系[J].中南財經政法大學學報，2018（5）：9.

[26] 搜狐網.北京的人工智能公司，享受稅收低洼地優惠政策，合理納稅！[EB/OL].[2018-07-04][2019-02-02]https：//www.sohu.com/a/239311691_100190804.

[27] 于海龍，李秉龍.中國乳業的全要素生產率及影響因素分析：基于DEA-Tobit模型分析[J].西安財經學院學報，2012，25（5）：33.

[28] 羅寅，王洪衛.宏觀調控下房地產上市公司資本結構調整效率研究：基于不同政策環境與調整路徑的交叉分析[J].現代財經—天津財經大學學報，2014（6）：3.

[29] 袁桂秋，胡佐.全要素生產率指數對企業經營能力的解釋力分析[J].財會月刊，2009（30）：52.

[30] 陳靜. 創業板制造業企業全要素生產率變動與融資約束的關系研究[D].青島：中國海洋大學，2015：1.

[編輯：厲艷飛]